大模型为何有效、何处失效？徐宗本、王立威、李建等共探数理基础 | CNCC2026

个人简介：徐宗本，中国科学院院士，西安交通大学教授，主要从事应用数学、数据科学和人工智能基础理论研究。曾两次获国家自然科学二等奖，并获国家科技进步二等奖。曾任西安交通大学副校长，现任陕西国家应用数学中心主任、西安交通大学数学与数学技术研究院院长等。长期围绕大数据、机器学习与人工智能中的基础科学问题开展研究，并推动相关理论方法在实际场景中的应用。

报告题目：对称性，AI建模应该遵循的准则

报告摘要：本报告围绕“对称性是AI建模应遵循的准则”展开。针对AI4S等任务对物理机理与规律一致性的要求，报告介绍“保对称函数”“数据对称性”和保对称机器学习问题，阐释等变性、不变量传递及对称正则化方法，并讨论其泛化理论。进一步结合图像处理和算子学习，介绍群升维Patch Embedding、群卷积网络、等变ViT、对称Mamba及AI4S“对称化”方法，展示对称性约束对模型性能、泛化与计算效率的作用。

个人简介：王立威，北京大学教授，长期从事机器学习研究，在深度学习与大模型理论算法方面取得一系列成果。在机器学习国际权威期刊和会议发表论文200余篇，研究重点包括机器学习表示、优化与泛化理论，以及大模型条件下的新型学习机制与理论问题。近年来持续关注思维链、长度泛化以及模型参数与token统一表征等问题，致力于构建适应大模型时代的新机器学习理论。

报告题目：大模型时代机器学习理论

报告摘要：经典机器学习围绕表示、优化和泛化形成了成熟理论，但在大模型时代，训练数据单次或少次使用、思维链广泛应用等新特征正在改变这些问题的基本形态。本报告将讨论大模型条件下机器学习理论面临的新问题与相应方法，重点分析思维链对模型表示能力的作用与意义、长度泛化问题及其解决思路，并进一步探讨模型参数与token的统一刻画，以理解大模型时代表示、学习与泛化机制的新变化。

个人简介：李建，清华大学长聘教授，研究方向为理论计算机科学、人工智能基础理论和金融科技。在主流国际会议和期刊发表论文100余篇，曾主持或参与多项自然科学基金项目及企业合作项目。长期关注算法、学习理论与大模型基础机制等问题，近期从算法信息论与压缩视角研究大语言模型的知识获取、扩展定律、上下文学习和事实性知识幻觉等行为。

报告题目：通过压缩视角理解大语言模型行为：知识获取，扩展定律与上下文学习

报告摘要：大语言模型在多类任务中表现出强大能力，但其知识获取、扩展定律、上下文学习与幻觉等行为仍缺乏系统理论解释。本报告从算法信息论出发，以Kolmogorov结构函数和双部分编码理解LLM压缩与预测，并构建“句法-知识”分层数据生成模型。在贝叶斯框架下，分析模型随参数量和数据规模增长的知识获取过程，解释数据与模型扩展定律、训练与微调中的知识动态、上下文学习及事实性知识幻觉，并结合大模型实验验证相关理论预测。

个人简介：刘勇，中国人民大学长聘副教授，长期从事机器学习基础理论研究，发表论文100余篇，其中以第一作者或通讯作者发表顶级期刊和会议论文近50篇，涵盖JMLR、IEEE TPAMI、Artificial Intelligence、ICML、NeurIPS等。主持或参与国家自然科学基金、科技部重点研发等项目，研究重点包括机器学习理论及大模型表达能力分析，近期关注代数几何和热带几何在大模型机制研究中的应用。

报告题目：从代数几何视角看大模型表达能力边界

报告摘要：当前对大模型表达能力的分析多从函数构建角度展开。本报告引入代数几何视角，重点依托热带几何理论，对大模型基础架构的表达机制进行分析。围绕混合专家（MoE）模型与Transformer架构，报告将系统讨论其表达能力及边界，尝试从几何结构角度解释不同架构的能力来源与限制，并为大模型底层机制研究提供新的理论视角和分析路径。

个人简介：张俊杰，西安交通大学博士后，长期从事Physics of AI及复杂系统建模研究，致力于从物理第一性原理理解神经网络的内禀属性、优化机制与失效边界。在National Science Review、npj Artificial Intelligence、Physical Review等期刊发表论文25篇，主持国家自然科学基金等项目。近期聚焦AI风险接口的信息充分性审计与动态风险状态建模。

报告题目：风险指标之外：AI失败的信息边界

报告摘要：现代AI系统常使用confidence、margin、entropy、log-probability等指标预测失败并触发拒答、重试或人工介入，但指标失准有时并非“读取方式”不足，而是风险接口本身缺失关键信息。本报告提出动态风险状态框架，刻画系统接近失效、响应干预及风险人群重分布的过程，并将接口失败区分为“信息存在但读取不足”与“状态信息缺失”两类。结合视觉模型和大语言模型实验，讨论如何审计风险接口的信息充分性。

个人简介：孟德宇，西安交通大学教授，长期致力于机器学习基础理论与算法研究。现任中国工业与应用数学学会副理事长、CSIAM青工委主任，并担任TPAMI等国内外期刊编委。研究工作聚焦机器学习理论、模型与算法，持续围绕人工智能基础问题开展研究。

CNCC是一个宏观论述技术趋势的大会，具有规格高、规模大、内容丰富等特点，会议形式包括大会特邀报告、大会论坛、专题论坛、特色活动及展览。大会汇聚两院院士、国内外顶尖学者、知名企业家等亲临大会，展望前沿趋势，分享创新成果。ACM、IEEE CS、IPSJ、KIISE等国际计算机组织的代表也多次获邀现场参加这一盛会。CNCC2026将于10月21-24日在四川省成都市举办，大会主题是“数聚驱动，智算未来”，欢迎各界前来参会。